Summary
Nätverksanalys tillämpades för att utvärdera associeringen av olika ekologiska mikrobiella samhällen, såsom jord, vatten och rhizosfär. Här presenteras ett protokoll om hur du använder WGCNA-algoritmen för att analysera olika samförekomstnätverk som kan uppstå i mikrobiella samhällen på grund av olika ekologiska miljöer.
Abstract
Rotmikrobiomet spelar en viktig roll för växttillväxt och miljöanpassning. Nätverksanalys är ett viktigt verktyg för att studera samhällen, som effektivt kan utforska interaktionsrelationen eller samförekomstmodellen för olika mikrobiella arter i olika miljöer. Syftet med detta manuskript är att ge detaljer om hur man använder den viktade korrelationsnätverksalgoritmen för att analysera olika samförekomstnätverk som kan uppstå i mikrobiella samhällen på grund av olika ekologiska miljöer. All analys av experimentet utförs i WGCNA-paketet. WGCNA är ett R-paket för viktad korrelationsnätverksanalys. De experimentella data som användes för att demonstrera dessa metoder var mikrobiella samhällsdata från NCBI-databasen (National Center for Biotechnology Information) för tre nischer av risrotsystemet (Oryza sativa). Vi använde den viktade korrelationsnätverksalgoritmen för att konstruera co-abundance nätverk av mikrobiell gemenskap i var och en av de tre nischerna. Sedan identifierades differentiella samförekomstnätverk bland endosfär, rhizoplan och rhizosfärjord. Dessutom erhölls kärnsläktet i nätverket genom WGCNA-paketet, som spelar en viktig reglerad roll i nätverksfunktionerna. Dessa metoder gör det möjligt för forskare att analysera mikrobiellt nätverks svar på miljöstörningar och verifiera olika mikrobiella ekologiska svarsteorier. Resultaten av dessa metoder visar att de betydande differentierade mikrobiella nätverk som identifierats i risens endosfär, rhizoplan och rhizosfär.
Introduction
Mikrobiomforskning har viktiga konsekvenser för att förstå och manipuleraekosystemprocesser 1,2. Mikrobiella populationer är sammankopplade genom samverkande ekologiska nätverk, vars egenskaper kan påverka mikroorganismers reaktion på miljöförändringar3,4. Dessutom påverkar egenskaperna hos dessa nätverk stabiliteten hos mikrobiella samhällen och är nära förknippade med markfunktion5. Viktad genkorrelationsnätverksanalys har nu tillämpats i stor utsträckning för forskning om förhållandet mellan gener och mikrobiella samhällen6. Tidigare studier har främst fokuserat på sambanden mellan nätverk av olika gener eller populationer och omvärlden7. Skillnaderna i korrelationsnätverk som bildats av mikrobiella populationer under olika miljöförhållanden har dock knappast undersökts. Syftet med den forskning som presenteras i detta dokument är att ge insikter och detaljer om den snabba implementeringen av WGCNA-algoritmen för att konstruera ett samförekomstnätverk av mikrobiomprover som samlats in under olika miljöförhållanden. Baserat på analysresultaten bedömde vi populationens sammansättning och skillnader och diskuterade vidare förhållandet mellan olika mikrobiella populationer. Följande grundläggande flöde av viktad korrelationsnätverksalgoritm8 tillämpades. För det första behövde en likhetsmatris konstrueras genom att beräkna Pearson-korrelationskoefficienten mellan OTU-uttrycksprofilerna (Operational Taxonomic Units). Sedan antogs parametrarna för angränsande funktioner (kraften eller de sigmoid angränsande funktionerna) med ett skalfritt topologikriterium, likhetsmatrisen omvandlades till en angränsande matris och varje samförekomstnätverk motsvarade en angränsande matris. Vi använde genomsnittlig länkning hierarkisk klustring i kombination med TOM-baserade skillnader för att gruppera OTUs med sammanhängande uttrycks profiler i moduler. Vidare beräknade vi förhållandet mellan konservativ statistik och relaterade parameteranalysmoduler och identifierade slutligen navet OTU i modulen. Dessa metoder är särskilt lämpliga för analys av skillnaderna i nätverksstrukturer mellan olika mikrobiella populationer under olika miljöförhållanden. I detta manuskript har vi i detalj beskrivit metoden för samuttrycksnätverksutveckling, analysen av skillnaderna mellan modulerna och har gett en kort översikt över stegen i det förfarande som tillämpas för att erhålla kärnarterna i olika modulnätverk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Nedladdning av data
- Ladda ner uppgifterna från prjna386367 för anslutning från NCBI:s databas. Av uppgifterna om anslutningen PRJNA386367, välj rhizosfär, rhizoplan och endosfär mikrobiomdata från risväxter som odlats i 14 veckor i ett nedsänkt risfält i Arbuckle, Kalifornien 2014.
OBS: Rhizosfären, rhizoplan och endosfärens mikrobiomdata presenterades av OTUs-tabellen i anslutning PRJNA386367.
2. Optimal bestämning av effektvärde
WGCNA-paketet innehåller alla följande funktionella parametrar. WGCNA är ett R-paket för viktad korrelationsnätverksanalys. De viktigaste kommandoraderna refererar till tillägg S1.
- Öppna Rstudio-programvaran i R-språkmiljön och installera WGCNA-paketet.
- Läs in data och använd funktionen goodSamplesGenes för att kontrollera att data är korrekta. Kör kommandoraderna:
"gsg = goodSamplesGenes(datExpr0, verbose = 3)
gsg$allOK "
Klicka på Kör. - Leta efter avvikande värden och lagra prover som uppfyller kraven. När kontrollresultatet är SANT fortsätter du till nästa steg. Spara resultatet.
- Använd funktionen PickSoftThreshold för att beräkna det skalfria indexet R2 för de två grupperna av data under olika effektvärden. Kör kommandoraden:
"sft = pickSoftThreshold(datExpr0, powerVector = powers, verbose = 5)"
Klicka på Kör. - Visualisera resultaten (figur 1). Kör kommandoraden:
"plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
xlab="Mjukt tröskelvärde (effekt)",ylab="Skalfri topologimodellpassning,signerad R^2",type="n",
main = klistra in("ES_Scale självständighet"));
text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
etiketter=krafter,cex=cex1,col="röd");
abline(h=0,9,col="red")
plot(sft$fitIndices[,1], sft$fitIndices[,5],
xlab="Mjukt tröskelvärde (effekt)",ylab="Genomsnittlig anslutning", type="n",
huvud = klistra in("ES_Mean anslutning"))
text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")"
Klicka på Kör.
ANM.: Förutsättningen för den viktade korrelationsnätverksalgoritmen är att den etablerade nätverksstrukturen för samuttryck överensstämmer med standarderna i det skalfria topologikriteriet, vilket ökar dess robusthet. Ett skalfritt index närmare 1 anger en nätverksstruktur som ligger närmare det skalfria nätverket. - Välj effektvärdet när det skalfria indexet R2 kvadraterade större än 0,9 och fortsätt till nästa analyssteg.
OBS: När det skalfria indexet är nära 1 är nätverksstrukturen närmare det skalfria nätverket. När man analyserar två eller flera nätverk är det nödvändigt att välja att göra varje nätverk nära det skalfria nätverkets effektvärde för att uppfylla jämförbarheten mellan de samförst uttryckta nätverken.
3. Konstruktion av ett samuttrycksnätverk och modulidentifiering
OBS: Baserat på ovanstående beräknade effektvärde är samförekomstnätet konstruerat. De viktigaste kommandoraderna refererar till tillägg S2.
- Använd hjälpfunktionen i WGCNA-paketet för att lägga till signerade parametrar för byggandet av ett symboliskt samförekomstnätverk. Kör kommandoraden:
"adjacency = adjacency(datExpr0, power = softPower)"
Klicka på Kör. - Använd funktionen TOM-likhet för att utveckla ett topologiskt överlappande nätverk och beräkna olika nätverkssmak. Kör kommandoraden:
"TOM = TOMsimilarity(angränsande);
dissTOM = 1-TOM"
Klicka på Kör.
Den signerade parametern lades till för att ange nätverkstypen topologi överlappar varandra. - Använd funktionen hclust för att välja den genomsnittliga länkningshierarkiska klustermetoden för hierarkisk klustring. Kör kommandoraden:
"geneTree = hclust(as.dist(dissTOM), metod = "genomsnitt");"
Klicka på Kör. - Använd funktionen cutreeDynamic för att utföra dynamisk grenskärning och ställ in parametern minClusterSize på 30. Hämta resultatet av modulens igenkänning. Kör kommandoraden:
"dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
Klicka på Kör.
OBS: Minsta modulstorlek kunde inte vara lägre än 30. - Beräkna modulen eigen för varje OTUs-modul med modulenEigengenes-funktionen. Kör kommandoraden:
"MEList = moduleEigengenes(datExpr0, colors = dynamicColors)
MEs = MEList$eigengenes"
Klicka på Kör.
OBS: Modulen eigen representerade den övergripande OTU-uttrycksnivån i modulen. Det var inte en specifik OTU, men den första huvud komponenten i varje kluster erhölls av singular nätverks värde nedbrytning. - Utför klusterfunktionen baserat på korrelationskoefficienten för modul eigen. Använd funktionen mergeCloseModules för att sammanfoga modulerna med ett värde som är lägre än 0,25. Kör kommandoraden:
"merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)"
Klicka på Kör. - Använd slutligen funktionen plotDendroAndColors för visualisering för att hämta visningsdiagrammet för modultilldelning i varje samuttrycksnätverk (bild 2). Använd tabellfunktionen för att extrahera modulens attribution motsvarande varje OTin modultilldelningstabell. Kör kommandoraden:
"plotDendroAndColors(geneTree, mergedColors, "Merged dynamic", dendroLabels = FALSE,
hang = 0.03,addGuide = TRUE, guideHang = 0.05,
huvud = "ES_Gene dendrogram och modulfärger")"
Klicka på Kör.
OBS: I modultilldelningsdiagrammet i det samförande nätverket representerar olika färger olika moduler och grått representerar OTUs som inte kan klassificeras i någon modul. Ett större antal OTUs i den grå modulen indikerar att förbearbetningskvaliteten i början av uttrycksmatrisen är dålig.
4. Jämförelse av modul
OBS: Denna metod kan användas för att jämföra nätverksmodulerna i två ekologiska mikrobiella samhällen. I den här artikeln jämför du skillnaderna mellan mikrobiella nätverksmoduler mellan endosfär och rhizoplan, endosfär och rhizosfär, rhizosfär och rhizoplan.
- Bevarandetest
- Läs in parametrarna och resultaten för de två datauppsättningarna som sparats i föregående steg.
- Ange tilldelningsresultatet för nätverksmodulen för en grupp mikrobiella data som referensgrupp, medan den andra gruppen är testgruppen.
- Använd funktionen modulePreservation för att beräkna värdena för statistiska parametrar för konservativhet Z_summary och medianRank. Kör kommandoraden:
"system.time({mp=modulePreservation(multiExpr,
multiColor,referenceNetworks=1,
nPermutation=100, randomSeed=1,quickCor=0,verbose=3)})"
Klicka på Kör.
OBS: Detta resultat kan kvantifiera konservativheten mellan moduler. Z_summary>10 anger att två moduler är mycket bevarade, medan Z_summary<2 betecknar icke-bevarade moduler. medianRank uttrycker det relativa bevarandet av modulen som bedöms genom rangordning. Högre medianRank-värden betecknar icke-bevarade moduler. (De viktigaste kommandoraderna refererar till tillägg S3.) - Använd ritfunktionen för att visualisera resultaten (bild 3). Hämta parametrarna Z_summary och medianRank (Tabell 1).
OBS: De nätverksmoduler som uppfyller både Z_summary-värdet mindre än 2 och medianvärdet för rangordning högst upp är den mest bevarade modulen i de två ekologiska mikrobiella samhällena. - Baserat på resultaten av ovannämnda två statistiska parametrar för att identifiera modulen med den mest bevarade modulen i de två näten.
- Korrelationsanalys av modulmedlemskapet
- Ange modultilldelningsresultaten för de två nätverken som referens respektive testgrupp.
OBS: Inställningarna måste vara desamma som bevarandetestet. - Använd funktionen corPvalueStudent för att extrahera kME-värdet (modulmedlemskap) för varje OTU i flera kandidatmoduler.
Kör kommandoraden:
"Pvalue = as.data.frame(corPvalueStudent(as.matrix
(ModulMedlemskap), Prover))"
Klicka på Kör.
OBS: kME står för graden av modulmedlemskap. ME står för module eigen, som representerar den totala nivån av OTU-uttryck i modulen. kME är korrelationskoefficienten mellan varje OTU och ME. Kvantifiera OTU:s betydelse i nätet efter KME-värdet för OTU. (De viktigaste kommandoraderna refererar till tillägg S4.) - Använd sedan funktionen verboseScatterplot för att beräkna korrelationskoefficienten för kME-värdet för motsvarande OTUs i de två nätverken och rita korrelationsanalysdiagrammet (Figur 4).
Kör kommandoraden:
"verboseScatterplot(abs(TModuleMembership
[TmoduleGenes, Tcolumn]),
abs(NModuleMembership[NmoduleGenes, Ncolumn]),
xlab = pasta("kME in", "ES"),
ylab = pasta("kME in", "RP"),
huvud = pasta("lightyellow"),
cex.main = 1.7, cex.lab = 1.6, cex.axis = 1.6, col = modulecolor)"
Klicka på Kör. - Välj modulen med den minsta korrelationskoefficienten för kME-värdet för OTU för de två nätverken. Betrakta den här modulen som den största skillnaden mellan de två nätverken.
- Ange modultilldelningsresultaten för de två nätverken som referens respektive testgrupp.
5. Analys av den mikrobiella differentiella nätverksmodulen
- Få data om de dominerande bakterierna phyla genom statistisk analys av OTU-sekvensuppsättningen av modulen med den största skillnaden.
OBS: OTU-sekvensuppsättningen för modulen med den största skillnaden summeras av taxonomin av phyla. De dominerande bakterierna phyla stod för mer än 10%. - Använd sedan funktionen exportNetworkToCytoscape för att hämta filen som innehåller interaktionsrelationsinformationen för OTU i den största differentialmodulen.
Kör kommandoraden:
"cyt = exportNetworkToCytoscape(modTOM,
edgeFile = klistra in("NEW-ES_CytoscapeInput-edges-", moduler , ".txt", sep=""),
nodeFile = klistra in("NYA ES_CytoscapeInput-noder-", moduler, ".txt", sep=""),
viktad = SANT,tröskelvärde = 0,5, nodeNames = modProbes,
altNodeNames = modGenes, nodeAttr = moduleColors[inModule])"
Klicka på Kör. - Importera filen till Cytoscape. Ställ in tröskelvärdet på 0,5 och justera andra parametrar efter behov.
- Konstruera ett nätverk av olika mikroorganismer(figur 5).
- Erhöll informationen om det kärnsläkte som har den viktigaste regulatoriska rollen i nätverket.
OBS: Enligt kME-värdet för OUT kan kärnsläktet definieras. - Slutligen bedömdes kärnsläktets funktioner och dess inflytande på hela differensnätverket analyserades.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De representativa resultaten i denna artikel laddades ner från 2014 California Abaker risrot mikrobiom data i NCBI-databasen (PRJNA386367)9. Uppgifterna omfattar prover av rhizosfär, rhizoplan och endosfärmikrobiom från risplantor som odlats i 14 veckor i ett nedsänkt risfält. Vi använde WGCNA-algoritmen för att välja det effektvärde som tillfredsställde de tre nätverk som låg nära det skalfria nätverket (figur 1) och utvecklade tre samuttrycksnätverk (figur 2). I endosfären identifierades mikrobiellt nätverk för rhizoplan och rhizosfärjord, 23, 22 respektive 21 moduler. Dessa resultat indikerar att antalet mikrobiella interaktionsnätverk i de tre nischerna i princip var lika.
Vi jämförde vidare skillnaderna i de mikrobiella nätverksmodulerna inom endosfären, rhizoplan och rhizosfärjorden. Följande bevarande testresultat av modulerna i de tre nischgrupperna erhölls. Det fanns tre extremt icke bevarade moduler mellan rhizosfärjorden och rhizoplanet(figur 3a,tabell 1). Dessutom fanns nio extremt icke-bevarade moduler mellan rhizosfärjorden och endosfären(figur 3b,tabell 2)och sex extremt icke-konserverade moduler mellan rhizoplanet och endosfären(figur 3c,tabell 3). Dessutom hittades extremt icke-bevarade moduler bland de tre nischerna, vilket indikerar närvaron av stora skillnader i sammansättningen av mikroorganismer bland de tre nischerna. Resultaten av korrelationsanalysen för modulmedlemskap för de erhållna icke-konservativa modulerna illustreras i figur 4. Från siffran är en betydligt annorlunda modul med minst korrelation mellan var och en av de två nischerna synlig bland de tre nischerna, vilket representerar den viktigaste skillnaden mellan dem.
I rizosfär-rhizoplanskillnadsnätverket(figur 5a)var den dominerande fylumen Proteobacteria (72,97 %). I rhizosfären-endosfärens differensnätverk (figur 5b), var den dominerande phyla Proteobacteria (66,36%), Actinobacteria (10,1%) och Bacteroidetes (10,9%). I rhizoplane-endosphere skillnad nätverk (Figur 5c), den dominerande phyla var Proteobacteria (41,41%), Bacteroidetes (10,10%), Firmicutes (12,12%), och Verrucomicrobia.
Tre kärngener (figur 5a), inklusive Rhodobacter och Novosphingobium,sex kärngener(figur 5b), inklusive Blvii28 och Dechloromonas,och fem kärngener (figur 5c), inklusive Cellvibrio och Geobacter, utövade viktiga regleringsfunktioner i de tre olika samförekomstnätverken. Alla kärnsläkten, med undantag för Dechloromonas,hade inflytande på endast ett nätverk, vilket indikerar tillgången till betydande skillnader i det relativa överflöd av mikrobiella populationer och arter bland de tre nischerna av risrötter, vilket kritiskt påverkade överflöd och mångfald i de befintliga rotmikrobiella samhällena.
Kärnsläktet Azospirillum, som finns i rizosfärens endosfärskillnadsnätverk av ris, deltog i kvävefixering och främjade växttillväxt10. Dessutom kan geobacter-släktet, som var signifikant berikat i rhizoplane-endosfärskillnadsnätverket, vara den viktigaste faktorn för att minska olösliga Fe- och Mn-oxider i många jordar och sediment11. Dessa mikroorganismer interagerar med en rad mikrobiella samhällen i rotnischer och deltar aktivt i regleringen av mikrobiella nätverk, vilket kan vara kritiskt viktigt för tillväxten och utvecklingen av risrötter.
Figur 1. Utvärdering av powerβ i datamängderna. a) Utvärdering av β i datauppsättningen ES. b) Utvärdering av β i datamängden för RS. c) Utvärdering av β i datauppsättningen RP, fördelning av det skalfria indexet R2 (vänster), fördelning av medelanslutningen (höger) längs olika mjukeffektindex. Värdet av den bästa kraften uppnåddes när R2 tenderade att mättnad och inte var lägre än 0,8. De tre meduttrycksnäten måste ställas in på samma effektvärde för att säkerställa deras jämförbarhet. (RS: rhizosfärjord, RP: rhizoplan och ES: endosfär). Klicka här om du vill visa en större version av den här figuren.
Figur 2. OTU dendrogram erhålls genom genomsnittlig länkning hierarkisk klustring. a)OTU-dendrogram från ES-nätet. b) OTU-dendrogram från RS-nätet. c) OTU-dendrogram från RP-nätet. Färgraden under dendrogramet anger den modultilldelning som bestäms av algoritmen Dynamic Tree Cut. (RS: rhizosfärjord, RP: rhizoplan och ES: endosfär) Klicka här om du vill visa en större version av den här figuren.
Bild 3. Resultat av konserveringstestet. a) Analysresultaten baseras på tilldelningen av RS-samuttrycksnätverksmoduler som referensgrupp och RP:s resultat för tilldelning av samuttrycksnätmoduler som testgrupp. b) Analysresultaten baseras på tilldelningen av ES-samuttrycksnätverksmodulen som referensgrupp och RS-resultaten för tilldelning av samuttrycksnätmoduler som testgrupp. c) Analysresultaten baseras på tilldelningen av ES-samuttrycksnätverksmodulen som referensgrupp och RP:s resultat för tilldelning av samuttrycksnätverksmoduler som testgrupp. Z_summary > 10 anger att två moduler är mycket bevarade, medan Z_summary < 2 betecknar icke-bevarade moduler. medianRank uttrycker det relativa bevarandet av modulen som bedöms genom rangordning. Högre medianRank-värden betecknar icke-bevarade moduler. (RS: rhizosfärjord, RP: rhizoplan och ES: endosfär) Klicka här om du vill visa en större version av den här figuren.
Figur 4. Korrelationsanalys av modulmedlemskapen. a) Modulkorrelation mellan kME-värdet mellan RS- och RP-nätet. b) Modulkorrelation mellan kME-värdet mellan RS- och RP-nätet. c) Modulkorrelation mellan kME-värdet mellan RP- och ES-nätet (RS: rhizosfärjord, RP: rhizoplan, ES: endosfär och KME: modulmedlemskap). Klicka här om du vill visa en större version av den här figuren.
Figur 5. Samförekomstnätverk av differentiell mikrobiell population i roten av ris. a)Samförekomstnätverk av olika mikrobiella populationer i RS-RP. b) Samförekomstnätverk av olika mikrobiella populationer i ES-RS. c) Samförekomstnätverk av olika mikrobiella populationer i ES-RP. Analysen utfördes med cytoscape programvara. Olika färger representerar olika portar i figuren. (RS: Rhizosphere smutsar, RP: rhizoplane, och ES: endosphere). Klicka här om du vill visa en större version av den här figuren.
| modul | medianRank | Zsummary (1999) | modul | medianRank | Zsummary (1999) |
| greenyellow (grönyellow) | 2 | 14 | gul | 13 | 5.2 |
| rosa | 2 | 17 | grå60 | 14 | 3.1 |
| midnightblue (på 144 | 3 | 10 | royalblue (på 199 | 15 | 2.1 |
| brun | 4 | 18 | svart | 16 | 2.7 |
| ljuscyan | 6 | 8.5 | garva | 17 | 3.2 |
| lila | 7 | 10 | lax | 18 | 1.3 |
| blå | 7 | 22 | magenta | 18 | 2.2 |
| grön | 8 | 12 | mörknade | 20 | -0.24 |
| cyan | 10 | 4.8 | guld | 20 | 14 |
| ljusgrön | 11 | 5.1 | mörkgrön | 22 | -1.1 |
| lightyellow (ljusyellow) | 12 | 5.3 | grå | 22 | 0.21 |
| röd | 12 | 6.1 |
Tabell 1. Resultat av Zsummary och medianRank mellan rhizosfärjorden och rhizoplanet.
| modul | medianRank | Zsummary (1999) | modul | medianRank | Zsummary (1999) |
| lax | 1 | 19 | ljuscyan | 13 | 1.1 |
| svart | 3 | 5.3 | röd | 15 | 0.95 |
| gul | 4 | 5.8 | midnightblue (på 144 | 15 | -0.0016 |
| ljusgrön | 5 | 0.27 | royalblue (på 199 | 16 | 0.83 |
| greenyellow (grönyellow) | 7 | 3 | magenta | 16 | 0.52 |
| mörkturos | 7 | 1.2 | mörkgrön | 17 | 0.16 |
| grå60 | 9 | 1.1 | garva | 18 | 0.64 |
| blå | 10 | 3.9 | lightyellow (ljusyellow) | 19 | 0.52 |
| lila | 10 | 2.3 | mörknade | 19 | -0.18 |
| brun | 12 | 2.3 | rosa | 19 | -0.71 |
| cyan | 12 | 0.78 | guld | 21 | 11 |
| grön | 13 | 1.7 |
Tabell 2. Resultat av Zsummary och medianRank mellan rhizosfärjorden och endosfären.
| modul | medianRank | Zsummary (1999) | modul | medianRank | Zsummary (1999) |
| svart | 1 | 15 | mörkturos | 13 | 1.7 |
| lax | 2 | 27 | midnightblue (på 144 | 13 | 1.6 |
| gul | 3 | 13 | ljusgrön | 13 | 0.64 |
| cyan | 4 | 5.4 | mörkgrön | 14 | 1.5 |
| blå | 8 | 3.9 | mörknade | 16 | 1.5 |
| ljuscyan | 9 | 2.6 | lila | 17 | 2.3 |
| rosa | 10 | 3.6 | greenyellow (grönyellow) | 18 | 0.8 |
| royalblue (på 199 | 10 | 1.5 | lightyellow (ljusyellow) | 18 | 0.42 |
| brun | 12 | 2.9 | magenta | 19 | 0.2 |
| grön | 12 | 1.9 | guld | 21 | 18 |
| röd | 12 | 1.9 | grå60 | 21 | -0.21 |
| garva | 13 | 2.5 |
Tabell 3. Resultat av Zsummary och medianRank mellan rhizoplanet och endosfären.
Tillägg S1: Klicka här för att ladda ner den här filen.
Tillägg S2: Klicka här för att ladda ner den här filen.
Tillägg S3: Klicka här för att ladda ner den här filen.
Tillägg S4: Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Korrelationsnätverk har i allt högre grad använts i bioinformatikapplikationer. WGCNA är en systembiologisk metod för beskrivande analys av relationerna mellan olika element i ett biologiskt system12. R mjukvarupaket användes i tidigare arbete på WGCNA13,14,15. Paketet innehåller funktioner för nätverkskonstruktion, moduldetektering, beräkningar av topologiska egenskaper, datasimulering, visualisering och kapacitet för interfacing med extern programvara. WGCNA har använts i stor utsträckning för att analysera genuttrycksdata från hjärncancer16,jästcellscykel17,musgenetik18,19,primathjärnvävnad 20,21, diabetes22, och växter23. Använd den viktade genkorrelationsnätverksanalysen för att konstruera nätverket måste innehålla minst 8 prov. I den här artikeln fokuserade vi på gensamuttrycksnätverk som beskriver interaktionerna mellan mikrobiella populationer i olika miljöer. Vi fick differentierade nätverk mellan mikrobiella populationer i olika miljöer och identifierade nyckelarterna i varje nätverk. Föreställningen att nyckelarter är viktiga för samhället har använts i stor utsträckning inom livsmedels-webbforskning24. Några av arterna i ett komplext mikrobiellt samhälle kan vara avgörande för att upprätthålla stabiliteten och funktionaliteten i samhället, såsom bacteroider i tarmfloran25. Analysen av mikrobiella samhällen kan förenklas avsevärt genom att rikta in sig på specifika arter av potentiell betydelse.
Våra representativa resultat belyser skillnaderna i mikrobiella samhällen, som kan identifieras med hjälp av ovanstående metod. Här utsattes mikroorganismer i olika nischer i risrotssystemet för WGCNA. Differentialen bland de tre nischerna identifierades med hjälp av konservativa och modulmedlemskapsanalyser. Vi bestämde nyckelarterna i differensmodulerna och fick information om skillnaderna i sammansättningen av de mikrobiella samhällena i de tre nischerna. Under tiden visade samförekomstnätverket förekomsten av en betydande interaktion mellan de föränderliga mikroorganismerna i risens rötter. Våra resultat ger direkta bevis för WGCNA: s betydelse och genomförbarhet vid utvärderingen av mikrobiella samhällsskillnader i olika miljöer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Utvecklingen av detta manuskript stöddes av medel från National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project of Guizhou Normal University (GZNUD[2017]1), science and technology support project of Guizhou Province (QKHZC[2021]YB459) och Guiyangs vetenskaps- och teknikprojekt ([2019]2-8).
Författarna vill tacka Edwards J.A et al för att ha tillhandahållit rismikrobiomdata i offentliga databaser och stöd från TopEdit (www.topeditsci.com) för dess språkliga hjälp under utarbetandet av detta manuskript.
Materials
| Name | Company | Catalog Number | Comments |
| R | The University of Auckland | version 4.0.2 | R is a free software environment for statistical computing and graphics. It compiles and runs on a wide variety of UNIX platforms, Windows and MacOS. |
| RStdio | JJ Allaire | version 1.4.1103 | The RStudio IDE is a set of integrated tools designed to help you be more productive with R and Python. |
| Cytoscape | version 3.7.1 | Cytoscape is an open source software platform for visualizing complex networks and integrating these with any type of attribute data. | |
| NCBI database | The National Center for Biotechnology Information advances science and health by providing access to biomedical and genomic information. |
References
- Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. Going back to the roots: the microbial ecology of the rhizosphere. Nature Reviews Microbiology. 11, 789-799 (2013).
- Fierer, N. Embracing the unknown: disentangling the complexities of the soil microbiome. Nature Review Microbiology. 15 (10), 579-590 (2017).
- Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil. Pedosphere. 19 (6), 808-816 (2009).
- Ma, B., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12 (10), 2492-2505 (2018).
- de Vries, F. T., et al. Soil bacterial networks are less stable under drought than fungal networks. Nature Communications. 9 (1), 3033 (2018).
- Colin, C., et al. Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis. Carcinogenesis. (10), 2300-2308 (2013).
- Ma, B., Zhao, K., Lv, X., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12, 2492-2505 (2018).
- Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical applications in genetics and molecular biology. 4 (1), (2005).
- Edwards, J. A., et al. Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice. PLoS Biology. 16 (2), 2003862 (2018).
- Bashan, Y., De-Bashan, L. E. How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment. Advances in Agronomy. 108, 77-136 (2010).
- Lovley, D. R., et al. Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications. Advances in Microbial Physiology. 59, 1 (2011).
- Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559 (2008).
- Zhang, B., Horvath, S. A General Framework for Weighted Gene Co-expression Network Analysis. Statistical Applications in Genetics and Molecular Biology. 4 (1), 17 (2005).
- Horvath, S., Dong, J. Geometric interpretation of Gene Co-expression Network Analysis. PLoS Computational Biology. 4 (8), 1000117 (2008).
- Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54 (2007).
- Horvath, S., et al. Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target. Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).
- Carlson, M. R., et al. and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks. BMC Genomics. 7 (1), 40 (2006).
- Fuller, T., et al. Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight. Mammalian Genome. 6 (18), 463-472 (2007).
- Yin, L., Wang, Y., Lin, Y., et al. Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J]. Artificial Cells Nanomedicine & Biotechnology. 47 (1), 1113-1121 (2019).
- Oldham, M., Horvath, S., Geschwind, D. Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains. Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).
- Oldham, M. C., et al. Functional organization of the transcriptome in human brain. Nature Neuroscience. 11 (11), 1271-1282 (2008).
- Keller, M. P., et al. A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility. Genome Research. 18 (5), 706-716 (2008).
- Weston, D., Gunter, L., Rogers, A., Wullschleger, S. Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants. BMC Systems Biology. 2 (1), 16 (2008).
- Jorda´n, F. Keystone species and food webs. Biological Sciences. 364, 1733-1741 (2009).
- Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I.
